用于视觉识别的视觉语言模型（VLM）能够有效地使用网络数据，并允许零样本预测，而无需特定于任务的微调，在广泛的识别任务中取得了巨大的成功。本报告从VLM的研究背景、研究意义、理论框架、技术方法、商业化大模型和未来的研究方向等几个方面对VLM进行了调研，并将不同的算法进行了比较总结。

用于视觉识别的视觉语言模型（VLM）能够有效地使用网络数据，并允许零样本预测，而无需特定于任务的微调，在广泛的识别任务中取得了巨大的成功。本报告从VLM的研究背景、研究意义、理论框架、技术方法、商业化大模型和未来的研究方向等几个方面对VLM进行了调研，并将不同的算法进行了比较总结。